基于图式的 Naïve Bayes 模型用于复杂网络中的信号预测
密码学与安全
2025-12-30 v1
摘要
带信号网络编码了正负相互作用，对建模社交和金融领域的复杂系统至关重要。信号预测即推断目标链接的信号，在实际应用中具有广泛意义。传统的图式基于 Naïve Bayes 模型假设所有相邻节点对目标链接的信号贡献相等，忽略了相邻节点之间的异构影响，可能限制了性能。为此，我们提出一个可泛化的信号预测框架，显式建模异构性。具体地，我们设计了两个角色函数来量化相邻节点的差异化影响。我们进一步通过两种策略将该方法从单一图式扩展到多个图式。该广义多图式基于 Naïve Bayes 模型线性组合来自不同图式的信息，而 Feature-driven Generalized Motif-based Naïve Bayes (FGMNB) 模型则通过机器学习整合高维图式特征。对四个真实世界带信号网络进行大量实验表明，FGMNB 在其中三个网络上 consistently 优于五个最先进的基于嵌入的基线方法。此外，我们观察到最具预测性的图式结构在不同数据集之间差异较大，凸显了局部结构模式的重要性，并为图式特征工程提供了宝贵见解。我们的框架为信号预测提供了一个有效且在理论上有依据的解决方案，对增强线上平台的信任和安全性具有实际意义。
引用
@article{arxiv.2512.22765,
title = {A generalized motif-based Na\"ive Bayes model for sign prediction in complex networks},
author = {Yijun Ran and Si-Yuan Liu and Junjie Huang and Tao Jia and Xiao-Ke Xu},
journal= {arXiv preprint arXiv:2512.22765},
year = {2025}
}